論文の概要: Post-Training in End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.08072v2
- Date: Mon, 13 Jul 2026 20:41:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 12:51:44.42917
- Title: Post-Training in End-to-End Autonomous Driving
- Title（参考訳）: エンド・ツー・エンド自動運転のポストトレーニング
- Authors: Ruining Yang, Muxing Wang, Yixiao Chen, Tongfei Guo, Yi Xu, Can Cui, Zichong Yang, Yitian Zhang, Ziran Wang, Yun Fu, Lili Su,
- Abstract要約: マルチモーダル入力を直接将来の軌道/マニュエータにマッピングするエンドツーエンドモデルは、自律運転においてますます顕著な研究パラダイムとして現れつつある。
小さな実行エラーは時間の経過とともに蓄積し、リカバリの動作はトレーニングデータに乏しい。
ポストトレーニング技術は、純粋な模倣を超えた運転ポリシーをさらに洗練させる。
- 参考スコア（独自算出の注目度）: 38.50655329217683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end models that map multimodal inputs directly to future trajectories/maneuvers have emerged as an increasingly prominent research paradigm in autonomous driving. This class of models includes both Vision-Language-Action models and trajectory-generative planners. Unlike classic machine learning applications, autonomous vehicles operate in safety-critical and interaction-intensive environments where traditional open-loop imitation of expert demonstrations is not sufficient to ensure reliability. In particular, small execution errors can accumulate over time, while recovery behaviors are scarce in training data. In addition, long-horizon objectives such as safety and driving comfort are not captured by pointwise labels either. These limitations have motivated a shift toward post-training techniques, which further refine driving policies beyond pure imitation. This survey presents a unified view of post-training for autonomous driving by defining its scope and organizing the existing literature into four major families based on the form of supervision they use. For each family, we discuss its capabilities, limitations, and open challenges. We aim to facilitate a systematic understanding of this emerging area and stimulate future research on reliable and efficient post-training for autonomous driving.A collection of related papers is available at https://github.com/RYNing/Awesome-Post-Training-In-Autonomous-Driving-Papers.
- Abstract（参考訳）: マルチモーダル入力を直接将来の軌道/マニュエータにマッピングするエンドツーエンドモデルは、自律運転においてますます顕著な研究パラダイムとして現れつつある。
このモデルのクラスには、ビジョン・ランゲージ・アクションモデルとトラジェクティブ・ジェネレーション・プランナーの両方が含まれる。
従来の機械学習アプリケーションとは異なり、自動運転車は安全クリティカルでインタラクション集約的な環境で運用されている。
特に、小さな実行エラーは時間の経過とともに蓄積し、リカバリの動作はトレーニングデータに乏しい。
また、安全や運転の快適さといった長距離目標もポイントワイドラベルでは捉えられていない。
これらの制限はポストトレーニング技術へのシフトを動機付け、純粋な模倣を超えた運転ポリシーをさらに洗練させた。
本調査は、その範囲を定義し、既存の文献を、それらが使用する監督形態に基づいて、4つの主要ファミリーに編成することで、自動運転のポストトレーニングの統一的な視点を示す。
各家族について、その能力、限界、オープンな課題について論じます。
我々は、この新興分野の体系的な理解を促進し、自動運転のための信頼性と効率的なポストトレーニングの今後の研究を促進することを目的としており、関連論文のコレクションはhttps://github.com/RYNing/Awesome-Post-Training-In-Autonomous-Driving-Papersで公開されている。
関連論文リスト
- Less is More: Lean yet Powerful Vision-Language Model for Autonomous Driving [7.921556303360947]
我々は,一段階のエンドツーエンド自動運転のための新しいフレームワークであるMax-V1を紹介する。
我々のフレームワークは、運転の本質的にの順序性と整合した単一パス生成パラダイムを提供する。
実験により,本手法はnuScenesデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-09-29T05:14:18Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Looking for a better fit? An Incremental Learning Multimodal Object
Referencing Framework adapting to Individual Drivers [0.0]
自動車産業の急速な進歩により、タッチベースや音声コマンドシステムといった従来の車両のインタラクション方法は、車両外の物体を参照するなど、幅広い非運転関連のタスクには不十分である。
textitIcRegressは、オブジェクトの駆動と参照という2つのタスクに携わるドライバーの振る舞いや特徴に適応する、新しい回帰に基づく漸進的学習手法である。
論文 参考訳（メタデータ） (2024-01-29T12:48:56Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。
本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文 参考訳（メタデータ） (2023-11-02T07:23:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。